继续请教问题:关于 Pytorch 的 Autograd

雷达

5 J1 y# `4 W" z
/ m. B6 J# g/ a" ?为预防老年痴呆，时不时学点新东东玩一玩。
& N1 e( \; A8 p2 G: o1 `' L/ v: CPytorch 下面的代码做最简单的一元线性回归：
8 W: f1 q6 L& x- |0 t$ P" r! e----------------------------------------------
import torch
; g+ Z9 _1 r( Y, Fimport numpy as np
- k) \* E9 J5 z% S3 Y2 ximport matplotlib.pyplot as plt
) J' V% c7 {" u( _import random
3 r8 O+ E) T( |) U5 q8 F
x = torch.tensor(np.arange(1,100,1))
- Z+ T% N2 ~9 x. Py = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

, G; ^5 f2 O- A9 N5 o! t" elosses = []
for i in range(epochs):
5 M. c$ Z( \& G+ D4 W  y_pred = (x*w+b)    # 预测
% p  z, z# }* g. U+ z$ L  y_pred.reshape(-1)
, A' l  r9 d; E# e5 q. }
- K0 R4 E0 J$ F  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
) O3 i9 T9 q, G5 c4 s( C) x) @2 |  with torch.no_grad():
% S& i! s% m2 H- T* Y& \2 U1 `    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  R1 p: O+ q1 V+ L+ v# ~4 Z' O; U  w.grad.zero_()  
. ^9 N" ~  _2 p. J, R7 W! x) v7 ]  b.grad.zero_()

$ h) o- x' ?; x4 q+ Pprint(w.item(),b.item()) #结果
) a+ y! X/ _, Y2 f* B/ \
Output： 27.26387596130371  0.4974517822265625
. @8 B2 J1 _. Y6 a* L----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
- o1 P$ W+ G' `4 w9 I- g9 g* @# i高手们帮看看是神马原因？

老福

没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
/ s% k3 K: b- p, O9 N7 _* z-------
4 c. x6 a( W3 {$ h' a( b/ F不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
% z! d3 M3 H. K" L) {1 u' D: }-------
" p0 n- A5 T# W7 X$ r算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
0 J. ]' \% _; k! f1 v/ f  n, E不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
; @" t* ?( q' \4 b* p( T1 A我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

$ w, A3 b, R" C7 m

雷达 发表于 2023-2-14 21:52
谢谢，算法应该没问题，就是最简单的线性回归。
0 F' j3 K7 s; ]! _7 t* m# c: u我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。

或者把b但的起点改为1试试。

雷达

- c5 F& M3 `0 f9 b, _$ r1 W

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
2 O- Q; N. t/ b6 A
或者把b但的起点改为1试试。 ...

7 D: s0 F, z" w: t你是对的。
去掉了随机部分
, e. `. }7 X: g9 K#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
9 O: e! [4 r5 F$ g* g0 e% C  xw , b
/ @& B7 h) L$ l& C- E& ?27.002620697021484 14.826167106628418

和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。